地震场景下无人机群路径规划与任务分配均衡联合优化

doi:10.11772/j.issn.1001-9081.2023101432

《计算机应用》唯一官方网站 ›› 2024, Vol. 44 ›› Issue (10): 3232-3239.DOI: 10.11772/j.issn.1001-9081.2023101432

地震场景下无人机群路径规划与任务分配均衡联合优化

孙鉴¹^,²(), 马宝全¹, 吴隹伟¹, 杨晓焕¹, 武涛¹, 陈攀¹

^1.北方民族大学计算机科学与工程学院，银川 750021
^2.图像图形智能处理国家民委重点实验室（北方民族大学），银川 750021

收稿日期:2023-10-23 修回日期:2023-12-19 接受日期:2023-12-26 发布日期:2024-10-15 出版日期:2024-10-10
通讯作者: 孙鉴
作者简介:孙鉴（1982—），男，山东烟台人，讲师，博士，CCF会员，主要研究方向：大数据存储与管理 2014132@nun.edu.cn
马宝全（1997—），男（回族），宁夏银川人，硕士研究生，CCF会员，主要研究方向：移动边缘计算、大数据存储与管理
吴隹伟（1998—），男，湖南长沙人，硕士研究生，CCF会员，主要研究方向：任务调度、大数据存储与管理
杨晓焕（1998—），女，山西平遥人，硕士研究生，CCF会员，主要研究方向：大数据存储与管理
武涛（1998—），男，山西大同人，硕士研究生，CCF会员，主要研究方向：任务调度
陈攀（1996—），男，湖南长沙人，硕士研究生，CCF会员，主要研究方向：大数据存储与管理。
基金资助:
国家自然科学基金资助项目(62062002);宁夏自然科学基金资助项目(2022AAC03289);北方民族大学研究生创新项目(YCX23155)

Joint optimization of UAV swarm path planning and task allocation balance in earthquake scenarios

Jian SUN¹^,²(), Baoquan MA¹, Zhuiwei WU¹, Xiaohuan YANG¹, Tao WU¹, Pan CHEN¹

^1.School of Computer Science and Engineering，North Minzu University，Yinchuan Ningxia 750021，China
^2.Key Laboratory of Images and Graphic Intelligent Processing of State Ethnic Affairs Commission （North Minzu University），Yinchuan Ningxia 750021，China

Received:2023-10-23 Revised:2023-12-19 Accepted:2023-12-26 Online:2024-10-15 Published:2024-10-10
Contact: Jian SUN
About author:MA Baoquan， born in 1997， M. S. candidate. His research interests include mobile edge computing， big data storage and management.
WU Zhuiwei， born in 1998， M. S. candidate. His research interests include task scheduling， big data storage and management.
YANG Xiaohuan， born in 1998， M. S. candidate. Her research interests include big data storage and management.
WU Tao， born in 1998， M. S. candidate. His research interests include task scheduling.
CHEN Pan， born in 1996， M. S. candidate. His research interests include big data storage and management.
Supported by:
National Natural Science Foundation of China(62062002);Ningxia Natural Science Foundation(2022AAC03289);Graduate Innovation Project of North Minzu University(YCX23155)

摘要/Abstract

摘要：

无人机（UAV）群路径规划和任务分配是UAV群救援应用的核心，然而传统方法分开求解路径规划与任务分配，导致资源分配不均。为了解决上述问题，结合UAV群的物理属性与应用环境因素，改进蚁群算法（ACO），提出联合并行蚁群（JPACO）模型。首先，借助分级信息素增强系数机制更新信息素，以提高JPACO任务分配均衡性和能耗均衡性；其次，设计路径平衡因子和动态概率转移因子优化蚁群模型易陷入局部收敛的情况，从而提高JPACO的全局搜索能力；最后，引入集群并行处理机制，以降低JPACO运算耗时。将JPACO与自适应动态蚁群算法（ADACO）、扫描动态蚁群算法（SMACO）、贪婪策略蚁群算法（GSACO）和交叉蚁群算法（IACO）在公开数据集CVRPLIB上对比最优路径、任务分配均衡、能耗均衡和运算耗时。实验结果表明：与IACO和ADACO相比，JPACO处理小规模运算的最优路径平均值分别降低7.4%和16.3%；处理大规模运算的求解耗时与GSACO、ADACO相比降低8.2%和22.1%。以上结果验证了JPACO在处理小规模运算时能够改善最优路径，处理大规模运算时任务分配均衡、能耗均衡和运算耗时明显优于对比算法。

关键词: 路径规划, 任务均衡, 能耗均衡, 蚁群算法, 无人机群, 集群并行处理

Abstract:

Unmanned Aerial Vehicle （UAV） swarm path planning and task allocation are the cores of UAV swarm rescue applications. However， traditional methods solve path planning and task allocation separately， resulting in uneven resource allocation. In order to solve the above problem， combined with the physical attributes and application environmental factors of UAV swarm， the Ant Colony Optimization （ACO） was improved， and a Joint Parallel ACO （JPACO） was proposed. Firstly， the pheromone was updated by the hierarchical pheromone enhancement coefficient mechanism to improve the performance of JPACO task allocation balance and energy consumption balance. Secondly， the path balance factor and dynamic probability transfer factor were designed to optimize the ant colony model， which is easy to fall into local convergence， so as to improve the global search capability of JPACO. Finally， the cluster parallel processing mechanism was introduced to reduce the time consumption of JPACO operation. JPACO was compared with Adaptive Dynamic ACO （ADACO）， Scanning Motion ACO （SMACO）， Greedy Strategy ACO （GSACO） and Intersecting ACO （IACO） in terms of optimal path， task allocation balance， energy consumption balance and operation time on the open dataset CVRPLIB. Experimental results show that the average value of the optimal paths of JPACO is 7.4% and 16.3% lower than of IACO and ADACO respectively in processing small-scale operations. Compared with GSACO and ADACO， JPACO has the solution time reduced by 8.2% and 22.1% in large-scale operations. It is verified that JPACO can improve the optimal path when dealing with small-scale operations， and is obviously superior to the comparison algorithms in terms of task allocation balance， energy consumption balance， and operation time consumption when processing large-scale operations.

Key words: path planning, task balance, energy consumption balance, Ant Colony Optimization (ACO), Unmanned Aerial Vehicle (UAV) swarm, cluster parallel processing

中图分类号:

TP311.11

孙鉴, 马宝全, 吴隹伟, 杨晓焕, 武涛, 陈攀. 地震场景下无人机群路径规划与任务分配均衡联合优化[J]. 计算机应用, 2024, 44(10): 3232-3239.

Jian SUN, Baoquan MA, Zhuiwei WU, Xiaohuan YANG, Tao WU, Pan CHEN. Joint optimization of UAV swarm path planning and task allocation balance in earthquake scenarios[J]. Journal of Computer Applications, 2024, 44(10): 3232-3239.

图/表 9

图1 无人机群任务规划示意图

Fig. 1 Schematic diagram of UAV swarm task planning

图2 3-opt优化序列示意图

Fig. 2 Schematic diagrams of 3-opt optimization sequence

图3 Spark架构

Fig. 3 Architecture of Spark

表1 无人机群相关参数

Tab. 1 UAV swarm related parameters

参数	描述	值
$a$	无人机加速度	$1 m / s 2$
$v$	无人机最大速度	$3 m / s$
$ℏ$	空气密度	$1.225 k g / m 3$
$R$	无人机转子半径	$0.4 m$
$δ$	剖面阻力系数	0.012
$θ$	无人机叶片角速度	$300 r a d / s$
$k$	感应功率增量因子	0.1
$W$	无人机重量	$20 N$
$s$	转子实度	20
$S$	机身等效板面积	0.002 m²
$d 0$	机身阻力比	0.001
$E i h o v e r$	悬停能耗	$0.15 k W h$
$E m i d t o t a l$	中型无人机能耗上限	$1.2 k W h$
$d e m a n d m i d$	中型无人机任务荷载上限	220
$E m a x t o t a l$	大型无人机能耗上限	$10 k W h$
$d e m a n d m a x$	大型无人机任务荷载上限	600

表1 无人机群相关参数

Tab. 1 UAV swarm related parameters

参数	描述	值
$a$	无人机加速度	$1 m / s 2$
$v$	无人机最大速度	$3 m / s$
$ℏ$	空气密度	$1.225 k g / m 3$
$R$	无人机转子半径	$0.4 m$
$δ$	剖面阻力系数	0.012
$θ$	无人机叶片角速度	$300 r a d / s$
$k$	感应功率增量因子	0.1
$W$	无人机重量	$20 N$
$s$	转子实度	20
$S$	机身等效板面积	0.002 m²
$d 0$	机身阻力比	0.001
$E i h o v e r$	悬停能耗	$0.15 k W h$
$E m i d t o t a l$	中型无人机能耗上限	$1.2 k W h$
$d e m a n d m i d$	中型无人机任务荷载上限	220
$E m a x t o t a l$	大型无人机能耗上限	$10 k W h$
$d e m a n d m a x$	大型无人机任务荷载上限	600

图4 小规模和大规模算例中的模型收敛对比

Fig. 4 Convergence comparison of models in small-scale example and large-scale example

表2 模型求解时间 (s)

Tab. 2 Solution time of models

规模	算例	模型	求解时间
小规模	A-n34-k5	ADACO	6.12
		SMACO	6.03
		GSACO	6.11
		IACO	8.56
		JPACO	9.29
	E-n76-k8	ADACO	22.60
		SMACO	20.95
		GSACO	17.71
		IACO	21.32
		JPACO	32.35
大规模	X-n125-k30	ADACO	60.03
		SMACO	51.35
		GSACO	50.93
		IACO	53.54
		JPACO	46.75

表3 最优路径对比

Tab. 3 Optimal path comparison

规模	算例	模型	路径最优值	路径平均值
小规模	A-n36-k5	ADACO	951.21	983.60
		SMACO	912.22	965.50
		GSACO	939.65	941.30
		IACO	873.28	889.32
		JPACO	810.30	823.20
	E-n76-k7	ADACO	896.32	932.61
		SMACO	892.22	921.61
		GSACO	819.15	829.43
		IACO	854.76	864.16
		JPACO	811.56	819.62
大规模	X-n101-k25	ADACO	32 976.93	33 662.89
		SMACO	32 609.48	33 231.47
		GSACO	31 721.29	32 119.35
		IACO	32 769.43	32 980.68
		JPACO	31 490.26	31 949.58

表4 能耗对比

Tab. 4 Energy consumption comparison

算例	模型	$E h i g h t$	$E l o w$	Number
A-n36-k5	ADACO	1.10	0.30	2
	SMACO	0.97	0.20	2
	GSACO	0.84	0.34	1
	IACO	1.10	0.50	2
	JPACO	0.82	0.54	1
E-n76-k7	ADACO	1.03	0.34	1
	SMACO	0.98	0.45	3
	GSACO	0.95	0.41	2
	IACO	1.10	0.32	2
	JPACO	0.94	0.57	1
X-n106-k14	ADACO	9.40	2.10	8
	SMACO	9.50	3.20	8
	GSACO	9.30	3.50	7
	IACO	9.40	3.40	6
	JPACO	9.10	4.50	5

表4 能耗对比

Tab. 4 Energy consumption comparison

算例	模型	$E h i g h t$	$E l o w$	Number
A-n36-k5	ADACO	1.10	0.30	2
	SMACO	0.97	0.20	2
	GSACO	0.84	0.34	1
	IACO	1.10	0.50	2
	JPACO	0.82	0.54	1
E-n76-k7	ADACO	1.03	0.34	1
	SMACO	0.98	0.45	3
	GSACO	0.95	0.41	2
	IACO	1.10	0.32	2
	JPACO	0.94	0.57	1
X-n106-k14	ADACO	9.40	2.10	8
	SMACO	9.50	3.20	8
	GSACO	9.30	3.50	7
	IACO	9.40	3.40	6
	JPACO	9.10	4.50	5

表5 任务分配对比

Tab. 5 Task allocation comparison

算例	满载	模型	$T H i g h t$	$T L o w$	$σ$
A-n32-k5	100	ADACO	98	33	30.52
		SMACO	98	20	31.02
		GSACO	99	20	25.08
		IACO	97	23	27.32
		JPACO	91	44	19.23
X-n106-k14	600	ADACO	598	486	32.96
		SMACO	594	522	23.25
		GSACO	589	520	19.21
		IACO	587	513	24.65
		JPACO	579	532	15.46

表5 任务分配对比

Tab. 5 Task allocation comparison

算例	满载	模型	$T H i g h t$	$T L o w$	$σ$
A-n32-k5	100	ADACO	98	33	30.52
		SMACO	98	20	31.02
		GSACO	99	20	25.08
		IACO	97	23	27.32
		JPACO	91	44	19.23
X-n106-k14	600	ADACO	598	486	32.96
		SMACO	594	522	23.25
		GSACO	589	520	19.21
		IACO	587	513	24.65
		JPACO	579	532	15.46

参考文献 36

1	SINGHAL G， BANSOD B， MATHEW L. Unmanned aerial vehicle classification， applications and challenges： a review［EB/OL］. ［2023-10-18］. .
2	BAJRACHARYA R， SHRESTHA R， KIM S， et al. 6G NR-U based wireless infrastructure UAV： standardization， opportunities， challenges and future scopes［J］. IEEE Access， 2022， 10： 30536-30555.
3	张博闻. 无人机航空遥感系统在灾害应急救援中的应用［J］. 中国高新科技， 2022（21）：159-160.
	ZHANG B W. Application of UAV aerial remote sensing system in disaster emergency rescue［J］. China High and New Technology， 2022（21）： 159-160.
4	WU X， BAI W， XIE Y， et al. A hybrid algorithm of particle swarm optimization， Metropolis criterion and RTS smoother for path planning of UAVs［J］. Applied Soft Computing， 2018， 73： 735-747.
5	李姝，裘昌利，李晶. 攻防一体化无人机蜂群作战体系研究［C］// 2022年无人系统高峰论坛（USS）论文集. 西安：空军航空大学， 2022： 7-12.
	LI S， QIU C L， LI J. Research on attack-defense integration of UAV swarms［C］// Proceedings of the 2022 Unmanned System Summit Forum （USS）. Xi’an： Aviation University of Air Force， 2022： 7-12.
6	WEI C， JI Z， CAI B. Particle swarm optimization for cooperative multi-robot task allocation： a multi-objective approach［J］. IEEE Robotics and Automation Letters， 2020， 5（2）： 2530-2537.
7	VIDAL T. Hybrid genetic search for the CVRP： open-source implementation and SWAP* neighborhood［J］. Computers and Operations Research， 2022， 140： No.105643.
8	石一鹏，刘杰，祖锦源，等. 基于混合整数线性规划模型的SPONGENT S盒紧凑约束分析［J］. 计算机应用， 2023， 43（5）：1504-1510.
	SHI Y P， LIU J， ZU J Y， et al. Compact constraint analysis of SPONGENT S-box based on mixed integer linear programming model［J］. Journal of Computer Applications， 2023， 43（5）： 1504-1510.
9	MALVANKAR-MEHTA M S， MEHTA S S. Optimal task allocation in multi-human multi-robot interaction［J］. Optimization Letters， 2015， 9（8）： 1787-1803.
10	BAYS M J， WETTERGREN T A. Service agent-transport agent task planning incorporating robust scheduling techniques［J］. Robotics and Autonomous Systems， 2017， 89： 15-26.
11	DAI W， LU H， XIAO J， et al. Multi-robot dynamic task allocation for exploration and destruction［J］. Journal of Intelligent and Robotic Systems， 2020， 98： 455-479.
12	DUAN X， LIU H， TANG H， et al. A novel hybrid auction algorithm for multi-UAVs dynamic task assignment［J］. IEEE Access， 2020， 8： 86207-86222.
13	ZHU D， LIU Y， SUB B. Task assignment and path planning of a multi-AUV system based on a Glasius bio-inspired self-organising map algorithm［J］. The Journal of Navigation， 2018， 71（2）： 482-496.
14	PHUNG M D， QUACH C H， DINH T H， et al. Enhanced discrete particle swarm optimization path planning for UAV vision-based surface inspection［J］. Automation in Construction， 2017， 81： 25-33.
15	CHEN J， SUN D. Resource constrained multirobot task allocation based on leader-follower coalition methodology［J］. The International Journal of Robotics Research， 2011， 30（12）： 1423-1434.
16	吴虎胜，张凤鸣，吴庐山. 一种新的群体智能算法——狼群算法［J］. 系统工程与电子技术， 2013， 35（11）：2430-2438.
	WU H S， ZHANG F M， WU L S. New swarm intelligence algorithm — wolf pack algorithm［J］. Systems Engineering and Electronics， 2013， 35（11）： 2430-2438.
17	DORIGO M， GAMBARDELLA L M. Ant colonies for the travelling salesman problem［J］. Biosystems， 1997， 43（2）： 73-81.
18	DUAN Y Q， ZHANG Y， ZHANG B， et al. Path planning based on improved multi-objective particle swarm algorithm［C］// Proceedings of the IEEE 5th Information Technology and Mechatronics Engineering Conference. Piscataway： IEEE， 2020： 1005-1009.
19	TIAN J， WANG Y， FAN C. Research on target assignment of multiple-UAVs based on improved hybrid genetic algorithm［C］// Proceedings of the IEEE 4th International Conference on Control Science and Systems Engineering. Piscataway： IEEE， 2018： 304-307.
20	夏乐. 基于贪婪策略的蚁群优化算法研究与应用［D］. 赣州：江西理工大学， 2022：19-21.
	XIA L. Research and application of ant colony optimization algorithm with greedy strategy［D］. Ganzhou： Jiangxi University of Science and Technology， 2022： 19-21.
21	张航，高岳林. 求解带容量约束车辆路径问题的改进蚁群算法［J］. 宝鸡文理学院学报（自然科学版）， 2022， 42（3）：18-23， 29.
	ZHANG H， GAO Y L. An improved ant colony optimization for capacitated vehicle routing problem［J］. Journal of Baoji University of Arts and Sciences （Natural Science Edition）， 2022， 42（3）： 18-23， 29.
22	陈颖杰，高茂庭. 基于信息素初始分配和动态更新的蚁群算法［J］. 计算机工程与应用， 2022， 58（2）：95-101.
	CHEN Y J， GAO M T. Pheromone initialization and dynamic update based ant colony algorithm［J］. Computer Engineering and Applications， 2022， 58（2）： 95-101.
23	王艳春，郭永峰，夏颖，等. 基于改进蚁群算法的机器人全局路径规划研究［J］. 电子科技， 2024， 37（5）： 88-94.
	WANG Y C， GUO Y F， XIA Y， et al. Research on robot global path planning based on improved ant colony algorithm［J］. Electronic Science and Technology， 2024， 37（5）： 88-94.
24	KAKOOEI M， BALEGHI Y. Fusion of satellite， aircraft， and UAV data for automatic disaster damage assessment［J］. International Journal of Remote Sensing， 2017， 38（8/9/10）： 2511-2534.
25	LI K， CHEN X， LIU H， et al. Performance analysis of the thermal automatic tracking method based on the model of the UAV dynamic model in a thermal and cubature Kalman filter［J］. Drones， 2023， 7（2）： No.102.
26	ZHANG Y X， LI K， LIU J Y. Intelligent prediction method for updraft of UAV that is based on LSTM network［J］. IEEE Transactions on Cognitive and Developmental Systems， 2023， 15（2）： 464-475.
27	EJAZ W， AHMED A， MUSHTAQ A， et al. Energy-efficient task scheduling and physiological assessment in disaster management using UAV-assisted networks［J］. Computer Communications， 2020， 155： 150-157.
28	MAH M C， LIM H S， TAN A W C. Secrecy improvement via joint optimization of UAV relay flight path and transmit power［J］. Vehicular Communications， 2020， 23： No.100217.
29	SHAH Z， JAVED U， NAEEM M， et al. Mobile Edge Computing （MEC）-enabled UAV placement and computation efficiency maximization in disaster scenario［J］. IEEE Transactions on Vehicular Technology， 2023， 72（10）： 13406-13416.
30	BEZAS K， TSOUMANIS G， ANGELIS C T， et al. Coverage path planning and point-of-interest detection using autonomous drone swarms［J］. Sensors， 2022， 22（19）： No.7551.
31	DENG L， YUAN H， HUANG L， et al. Post-earthquake search via an autonomous UAV： hybrid algorithm and 3D path planning［C］// Proceedings of the 14th International Conference on Natural Computation， Fuzzy Systems and Knowledge Discovery. Piscataway： IEEE， 2018： 1329-1334.
32	AIMAIKI F A， SOUFIENE B O. Modifying Hata-Davidson propagation model for remote sensing in complex environments using a multifactional drone［J］. Sensors， 2022， 22（5）： No.1786.
33	MA Z， GONG H， WANG X. An UAV path planning method in complex mountainous area based on a new improved ant colony algorithm［C］// Proceedings of the 2019 International Conference on Artificial Intelligence and Advanced Manufacturing. Piscataway： IEEE， 2019： 125-129.
34	GUO H， ZHOU X， WANG Y， et al. Achieve load balancing in multi-UAV edge computing IoT networks： a dynamic entry and exit mechanism［J］. IEEE Internet of Things Journal， 2022， 9（19）： 18725-18736.
35	GOUSIOS G. Big data software analytics with Apache Spark［C］// Proceedings of the ACM/IEEE 40th International Conference on Software Engineering： Companion. New York： ACM， 2018： 542-543.
36	UCHOA E， PECIN D， PESSOA A， et al. New benchmark instances for the capacitated vehicle routing problem［J］. European Journal of Operational Research， 2017， 257（3）： 845-858.

[1]	田润泽, 周宇龙, 朱洪, 薛岗. 基于局部信息的服务迁移路径选择算法[J]. 《计算机应用》唯一官方网站, 2024, 44(7): 2168-2174.
[2]	马天, 席润韬, 吕佳豪, 曾奕杰, 杨嘉怡, 张杰慧. 基于深度强化学习的移动机器人三维路径规划方法[J]. 《计算机应用》唯一官方网站, 2024, 44(7): 2055-2064.
[3]	李建强, 何舟. 面向多行程取送货车辆路径问题的混合NSGA-Ⅱ[J]. 《计算机应用》唯一官方网站, 2024, 44(4): 1187-1194.
[4]	黄海新, 于广威, 程寿山, 李春明. 基于改进灰狼优化的桥梁检测爬壁机器人全覆盖路径规划[J]. 《计算机应用》唯一官方网站, 2024, 44(3): 966-971.
[5]	宋紫阳, 李军怀, 王怀军, 苏鑫, 于蕾. 基于路径模仿和SAC强化学习的机械臂路径规划算法[J]. 《计算机应用》唯一官方网站, 2024, 44(2): 439-444.
[6]	邓辅秦, 官桧锋, 谭朝恩, 付兰慧, 王宏民, 林天麟, 张建民. 基于请求与应答通信机制和局部注意力机制的多机器人强化学习路径规划方法[J]. 《计算机应用》唯一官方网站, 2024, 44(2): 432-438.
[7]	邓辅秦, 谭朝恩, 黎俊炜, 钟家铭, 付兰慧, 张建民, 王宏民, 李楠楠, 姜炳春, 林天麟. 面向大型仓储环境的基于冲突搜索算法[J]. 《计算机应用》唯一官方网站, 2024, 44(12): 3854-3860.
[8]	李永迪, 李彩虹, 张耀玉, 张国胜. 基于改进SAC算法的移动机器人路径规划[J]. 《计算机应用》唯一官方网站, 2023, 43(2): 654-660.
[9]	黄霖, 符强, 童楠. 基于自适应调整哈里斯鹰优化算法求解机器人路径规划问题[J]. 《计算机应用》唯一官方网站, 2023, 43(12): 3840-3847.
[10]	王龙宝, 栾茵琪, 徐亮, 曾昕, 张帅, 徐淑芳. 基于动态簇粒子群优化的无人机集群路径规划方法[J]. 《计算机应用》唯一官方网站, 2023, 43(12): 3816-3823.
[11]	刘晨, 陈洋, 符浩. 基于值函数迭代的持续监测无人机路径规划[J]. 《计算机应用》唯一官方网站, 2023, 43(10): 3290-3296.
[12]	范厚明, 牟爽, 岳丽君. 考虑冲突和拥堵的自动导引车调度与路径规划协同优化[J]. 《计算机应用》唯一官方网站, 2022, 42(7): 2281-2291.
[13]	韩舒宁, 徐敏, 董学士, 林青, 沈凡凡. 混合伊藤算法求解多尺度着色旅行商问题[J]. 《计算机应用》唯一官方网站, 2022, 42(3): 695-700.
[14]	陈昇, 周隽, 胡小兵, 马霁. 基于混合模拟退火算法的机场进场程序优化[J]. 《计算机应用》唯一官方网站, 2022, 42(2): 606-615.
[15]	代荣荣, 李宏慧, 付学良. 基于差分进化融合蚁群算法的数据中心流量调度机制[J]. 《计算机应用》唯一官方网站, 2022, 42(12): 3863-3869.

地震场景下无人机群路径规划与任务分配均衡联合优化

Joint optimization of UAV swarm path planning and task allocation balance in earthquake scenarios

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 9

参考文献 36

相关文章 15

编辑推荐

Metrics